第4章数据可视化基础

第四章数据可视化基础：K线图、移动平均线、成交量与自相关图

做金融时间序列，第一步不是建模，而是「看数据」。

我见过太多人一上来就扔模型，结果跑出来的东西自己都看不懂。为什么？因为没先做可视化诊断。数据长什么样，有没有趋势，有没有周期，有没有异常点——这些信息，一张图就能告诉你。

这一章，我们就把金融可视化最核心的四个工具讲透：K线图、移动平均线、成交量图、ACF/PACF自相关图。嗯，都是实战里天天用的东西。

4.1 K线图：金融数据的「心电图」

K线图，说白了就是把一天（或一个周期）的股价浓缩成一根蜡烛。开盘价、收盘价、最高价、最低价，四个数字，一根柱子。

我个人习惯用 mplfinance 这个库，比 matplotlib 原生画K线方便太多。你想想看，如果自己用 bar 和 line 拼凑，代码得写几十行，还容易出错。

核心概念：

阳线（红色/空心）：收盘价 > 开盘价，表示上涨
阴线（绿色/实心）：收盘价 < 开盘价，表示下跌
上影线：最高价到实体顶部的距离，代表冲高回落
下影线：最低价到实体底部的距离，代表探底回升

import mplfinance as mpf
import yfinance as yf

# 下载数据
data = yf.download('AAPL', start='2024-01-01', end='2024-03-01')

# 画K线图
mpf.plot(data, type='candle', volume=True, style='charles',
         title='AAPL K线图', figsize=(12, 8))

我在项目中遇到过一个问题：数据里如果有空值，mplfinance 会直接报错。所以画图前，记得先 dropna() 一下。曾经有个同事没注意这个，调试了半小时才发现是数据缺了一天。

小技巧：K线图的周期可以灵活调整。日线看趋势，60分钟线找买卖点，5分钟线做高频交易。不同周期，看到的信号完全不同。

4.2 移动平均线：趋势的「平滑器」

K线图太「毛躁」了，一天涨一天跌的，看不清方向。这时候就需要移动平均线（MA）出场。

移动平均线，说白了就是把过去N天的收盘价取个平均值，然后连成一条线。它能帮你过滤掉短期的噪音，看到真正的趋势。

常用的几根均线：

均线	周期	用途
MA5	5日	短线趋势，超强势股的生命线
MA20	20日	中线趋势，月线级别支撑/压力
MA60	60日	长线趋势，季线级别牛熊分界线
MA120	120日	半年线，大周期趋势参考

# 计算移动平均线
data['MA5'] = data['Close'].rolling(window=5).mean()
data['MA20'] = data['Close'].rolling(window=20).mean()
data['MA60'] = data['Close'].rolling(window=60).mean()

# 画图
mpf.plot(data, type='candle', volume=True, style='charles',
         mav=(5, 20, 60),  # 直接传入均线周期
         title='AAPL with MA5/MA20/MA60', figsize=(12, 8))

避坑指南：我曾经犯过一个低级错误——用未来数据算均线。rolling 默认是中心窗口，如果你不设置 center=False，它会用前后各一半的数据算平均值。这在回测里是致命的，因为你会「看到」未来的价格。

均线的交叉信号也很经典：MA5 上穿 MA20 叫「金叉」，看涨；MA5 下穿 MA20 叫「死叉」，看跌。但别迷信这个，震荡市里金叉死叉来回切换，你会被反复打脸。

4.3 成交量图：价格的「燃料」

价格可以骗人，成交量不会。

你想想看，一只股票无量涨停，说明没人卖，但也没人买（除了封板的）。一旦放量，说明多空分歧加大，趋势可能要变了。

成交量图通常放在K线图下方，用柱状图表示。mplfinance 里设置 volume=True 就能自动画出来。

量价关系口诀（我自己的总结）：

价涨量增：健康上涨，趋势延续
价涨量缩：上涨乏力，可能见顶
价跌量增：恐慌抛售，可能见底
价跌量缩：阴跌不止，没人接盘

我在做量化策略时，经常把成交量作为过滤条件。比如：只做成交量大于20日均量1.5倍的股票。为什么？因为没成交量的股票，流动性差，你买进去容易，卖出来难。

4.4 自相关图（ACF/PACF）：时间序列的「记忆」

这是时间序列建模里最核心的可视化工具，没有之一。

ACF（自相关函数）衡量的是：当前值和过去第k个值之间的相关性。PACF（偏自相关函数）衡量的是：剔除中间变量影响后，当前值和过去第k个值的直接相关性。

说白了，ACF看的是「总的相关性」，PACF看的是「纯的相关性」。

import statsmodels.api as sm
import matplotlib.pyplot as plt

# 计算ACF和PACF
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
sm.graphics.tsa.plot_acf(data['Close'].dropna(), lags=30, ax=axes[0])
sm.graphics.tsa.plot_pacf(data['Close'].dropna(), lags=30, ax=axes[1])
plt.show()

怎么看这两张图？

如果ACF拖尾（缓慢衰减），PACF在p阶后截尾（突然掉到置信区间内）→ 适合AR(p)模型
如果ACF在q阶后截尾，PACF拖尾 → 适合MA(q)模型
如果两者都拖尾 → 适合ARMA模型
如果两者都截尾 → 可能是白噪声，别建模了

实战经验：我刚开始学的时候，总觉得ACF/PACF的「截尾」和「拖尾」很难判断。后来发现一个笨办法：看蓝色置信区间。如果某个滞后阶数的柱子明显超出蓝色区域，那就是显著的。超出几个，阶数就是几。

嗯，这里要注意：ACF/PACF对非平稳序列是无效的。如果序列有趋势或季节性，ACF会呈现缓慢衰减，看起来像拖尾，其实是假的。所以画ACF之前，先确认序列是否平稳。怎么确认？下一章讲单位根检验时会细说。

4.5 本章知识体系

下面这张图，是我自己梳理的可视化知识框架。你照着这个顺序学，不会乱。

这张图里，我特意把「三步走」流程放在最下面。先看K线和成交量，了解价格和资金动向；再看均线，确认趋势方向；最后用ACF/PACF，为建模定阶。顺序别搞反了。

本章核心要点：

K线图是基础，但别只看一根K线，要看组合形态
移动平均线有滞后性，别用它做短线预测
成交量是价格的先行指标，量在价先
ACF/PACF是建模的「眼睛」，但前提是数据平稳

好了，这一章的内容就这些。可视化是基本功，但也是很多人容易忽略的环节。我见过太多人花几周调模型参数，却不愿意花10分钟画张图看看数据长什么样。嗯，希望你不是这样的人。

公众号:蓝海数据掘金营，微信deep3321

📚 课程目录

第四章 数据可视化基础：K线图、移动平均线、成交量与自相关图

4.1 K线图：金融数据的「心电图」

4.2 移动平均线：趋势的「平滑器」

4.3 成交量图：价格的「燃料」

4.4 自相关图（ACF/PACF）：时间序列的「记忆」

4.5 本章知识体系

第四章数据可视化基础：K线图、移动平均线、成交量与自相关图